一种基于SIR-D模型的复杂社交网络信息处置方法

摘要

本发明公开了一种基于SIR‑D模型的复杂社交网络信息处置方法，包括步骤1，对两种以上的社交网络平台进行耦合，构建复杂社交网络环境；步骤2，设计网络信息传播模型，确定所述信息传播模型下用户状态变化情况；步骤3，对所述复杂社交网络环境进行信息监测，根据当前信息所处状态确定是否需要进行信息处置；步骤4，针对进行处置的信息，根据所述信息传播模型，验证信息处置效果。该方法可以帮助网络综合治理人员监测信息处置过程中的传播效果，选取合适的信息处置方案。

权利要求

1.一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，包括以下步骤：

步骤1，对两种以上的社交网络平台进行耦合，构建复杂社交网络环境；

步骤2，设计网络信息传播模型，确定所述网络信息传播模型下用户状态变化情况；

步骤3，对所述复杂社交网络环境进行信息监测，根据当前信息所处状态确定是否需要进行信息处置；

步骤4，针对进行处置的信息，根据所述网络信息传播模型，验证信息处置效果；

所述步骤2中设计网络信息传播模型包括：

基于网络信息的传播现状提出一种SIR‑D模型，将政府和社交网络平台的网络信息治理措施纳入所述网络信息传播模型考虑范围，满足以下约束条件：S(t)+K(t)=N

D(t)+A(t)=K(t)

R(t)+I(t)=A(t)

式中，N为社交网络平台上用户群体总数量，所述用户包括未知者和接收者，所述接收者包括忽略者和感染者，所述感染者包括传播者和免疫者，S(t)是t时刻尚未收到消息的未知者数量，K(t)是t时刻收到消息的接收者数量，D(t)是t时刻未点击阅读关注的忽略者数量，A(t)是t时刻仔细阅读的感染者数量，I(t)是t时刻二次传播信息的传播者数量，R(t)是t时刻不会采取点赞和转发措施的免疫者数量，t≥0；

所述步骤2中确定所述网络信息传播模型下用户状态变化情况包括：随着时间的变化，用户状态随着信息接收的情况而发生变化：未知者有概率λ收到传播者发布的信息，并转化为下一轮的接收者；新的接收者中有占比α为感染者，其他为忽略者；忽略者有概率γ转变感染者；新的感染者中有占比β为传播者，其他为免疫者；传播者在经过阻断措施后有概率μ被强行转换成免疫者；信息传播导致的用户状态变化关系满足以下条件：，

式中，S(t+1)、K(t+1)、A(t+1)、D(t+1)、I(t+1)、R(t+1)分别表示t+1时刻的不同状态下的用户数量。

2.根据权利要求1所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤1包括：用户在每一个社交网络平台上都有独立的虚拟身份，当用户在其中一个社交网络平台上收到目标推荐信息时，用户状态发生变化，同时会影响到该用户在其他社交网络平台的虚拟身份状态，即将同一用户在不同社交网络平台中的虚拟身份节点一一对应，当其中一个社交网络平台的用户状态调整时，其他社交网络平台的状态同时发生变化。

3.根据权利要求2所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤1中当其中一个社交网络平台的用户状态调整时，其他社交网络平台中该用户的状态同时发生变化，整个网络中用户状态变化的优先级为传播者>免疫者>忽略者>未知者。

4.根据权利要求3所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤3包括：分别根据关键词的敏感程度和信息的传播规模进行分类分级，确定当前信息所处状态和所需要采取的措施：当信息内容命中高敏感关键词时，在第一时间阻断传播来源；当信息内容界定模糊，但传播量超过监测阈值时，优先降低其传播速率。

5.根据权利要求4所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤3中降低其传播速率包括：社交网络平台采用推荐算法将信息推荐给目标用户群体，当传播量>监测阈值出现预警时，在不删除信息的情况下减少信息推荐频次；所述减少信息推荐频次包括调整未知者接收信息的概率λ(t)=λ0+Δλ·(t‑t0)，其中λ0表示接收率初始值，Δλ表示接收率动态调整的效率，t0表示传播量大于监测阈值的首个时间戳，λ(t)≥0。

6.根据权利要求5所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤3中降低其传播速率还包括：当传播量>监测阈值出现预警时，在不删除信息的情况下后置信息展示位置；所述后置信息展示位置包括降低新的接收者感染率α(t)=α0+Δα·(t‑t0)，其中，α0表示感染率的初始值，Δα表示感染率动态调整的效率，α(t)≥0。

7.根据权利要求6所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤3中阻断传播来源包括：对于内容高敏感度的信息，其传播有严重的社会负面影响，因此从源端用户进行处置，优先针对已出现规模化传播效应的内容进行删帖处理，将传播者以概率μ强行转化成免疫者。

8.根据权利要求7所述的一种基于SIR‑D模型的复杂社交网络信息处置方法，其特征在于，所述步骤4包括：初始化所述网络信息传播模型参数，分别对单个社交网络平台和所述复杂社交网络环境进行信息监测、信息处置和传播数据统计，验证信息处置措施的实施效果。

说明书

一种基于SIR‑D模型的复杂社交网络信息处置方法

技术领域

[0001] 本发明属于网络空间安全技术领域，尤其涉及一种基于SIR‑D模型的复杂社交网络信息处置方法。

背景技术

[0002] 目前，以微博、知乎、微信、小红书为代表的社交网络平台已成为当前信息传播的重要方式，其平台的推荐算法系统会根据用户的身份特征、行为特征、偏好特征提供针对性的信息内容。因网络信息发布的简易性和快速性，一些未经证实、存在社会危害性的谣言与不良信息内容容易被生产并进行传播，等到网信部门、社交网络平台发现时，已经出现一定范围的扩散。随着社交网络平台信息量的增多和信息推荐算法的复杂化，网络综合治理的工作难度和强度都呈现大幅度上升的趋势，“机审+人审”的模式已经无法满足当前社交网络平台应急的要求。在相关人员开展应急处置过程中，尚未量化当前网络平台中信息的传播范围和受众情况，导致相关工作开展的实际效果存在着极大的不确定性，缺乏有效合理的量化指标。

[0003] 在实现本发明过程中，发明人发现在现有的网络信息传播分析与监测技术方案中，主要是基于SI、SIS、SIR、SEIR等传染模型，分别在随机网络、小世界网络、无标度网络等复杂网络结构中进行模拟，以观察不同模型和不同网络下的信息传播情况。但是，上述方法大多数局限于单一网络平台的信息监测功能，缺乏开展在真实网络社交平台中、复杂网络耦合环境下的信息控制与阻断措施研究工作，也无法给安全应急人员提供可供参考的处置结果。在网络空间安全领域，网络信息安全综合治理工作亟需一种可以量化复杂网络环境下信息传播情况、及时发现敏感信息内容和分析信息控制和阻断效果的技术方案。

发明内容

[0004] 发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于SIR‑D模型的复杂社交网络信息处置方法。

[0005] 为实现上述目的，本申请公开了一种基于SIR‑D模型的复杂社交网络信息处置方法，包括以下步骤：

[0006] 步骤1，对两种以上的社交网络平台进行耦合，构建复杂社交网络环境；

[0007] 步骤2，设计网络信息传播模型，确定所述信息传播模型下用户状态变化情况；

[0008] 步骤3，对所述复杂社交网络环境进行信息监测，根据当前信息所处状态确定是否需要进行信息处置；

[0009] 步骤4，针对进行处置的信息，根据所述信息传播模型，验证信息处置效果。

[0010] 进一步地，所述步骤1包括：用户在每一个社交网络平台上都有独立的虚拟身份，用以获取平台上的各类信息。当用户在其中一个社交网络平台上收到目标推荐信息时，用户状态发生变化，同时会影响到该用户在其他社交网络平台的虚拟身份状态，即将同一用户在不同社交网络平台中的虚拟身份节点一一对应，当其中一个社交网络平台的用户状态调整时，其他社交网络平台的状态同时发生变化。通过多个社交网络平台的耦合，可以实现信息的跨平台传输效果，方便政府监管部门了解实际互联网环境下的用户状态情况。

[0011] 进一步地，所述步骤2中设计网络信息传播模型包括：

[0012] 基于网络信息的传播现状提出一种SIR‑D（Susceptible Infected Recovered Disregard Model）模型，将政府和社交网络平台的网络信息治理措施纳入所述信息模型考虑范围，满足以下约束条件：

[0013] S(t)+K(t)=N

[0014] D(t)+A(t)=K(t)

[0015] R(t)+I(t)=A(t)

[0016] 式中，N为社交网络平台上用户群体总数量，所述用户包括未知者和接收者，所述接收者包括忽略者和感染者，所述感染者包括传播者和免疫者，S(t)是t时刻尚未收到消息的未知者数量，K(t)是t时刻收到消息的接收者数量，D(t)是t时刻未点击阅读关注的忽略者数量，A(t)是t时刻仔细阅读的感染者数量，I(t)是t时刻二次传播信息的传播者数量，R(t)是t时刻不会采取点赞和转发措施的免疫者数量，t≥0。

[0017] 进一步地，所述步骤2中确定所述信息传播模型下用户状态变化情况包括：随着时间的变化，用户状态随着信息接收的情况而发生变化：未知者有概率λ收到传播者发布的信息，并转化为下一轮的接收者；新的接收者中有占比α为感染者，其他为忽略者；忽略者有概率γ转变感染者；新的感染者中有占比β为传播者，其他为免疫者；传播者在经过阻断措施后有概率μ被强行转换成免疫者；信息传播导致的用户状态变化关系满足以下条件：

[0018]

[0019] 式中，S(t+1)、K(t+1)、A(t+1)、D(t+1)、I(t+1)、R(t+1)分别表示t+1时刻的不同状态下的用户数量。根据SIR‑D模型以及信息传递关系建立上述用户状态变化迭代模型，SIR‑D模型增加了一种新的用户状态“忽略者”，用以表示在当前社交平台信息量爆炸情况下，用户虽然收到各类推送消息，但是会因为推荐频次、推荐位置的不同而选择性的点击阅读，即存在信息被用户忽视的情况，更贴近信息传播真实场景。

[0020] 进一步地，所述步骤1中当其中一个社交网络平台的用户状态调整时，其他社交网络平台中该用户的状态同时发生变化，整个网络中用户状态变化的优先级为传播者>免疫者>忽略者>未知者。如在某一时刻，用户在一个社交网络平台收到信息并且有传播行为，虽然可能在另外一个社交网络平台尚未收到或忽视信息，但从耦合网络来看，用户的身份状态已经成为传播者，有概率同时在其他社交网络平台进行传播，因而将该用户在各社交网络平台中的状态都标注为传播者。

[0021] 进一步地，所述步骤3包括：分别根据关键词的敏感程度和信息的传播规模进行分类分级，确定当前信息所处状态和所需要采取的措施：当信息内容命中高敏感关键词时，在第一时间阻断传播来源；当信息内容界定模糊，但传播量超过监测阈值时，优先降低其传播速率。

[0022] 进一步地，所述步骤3中降低其传播速率包括：社交网络平台采用推荐算法将信息推荐给目标用户群体，当传播量>监测阈值出现预警时，在不删除信息的情况下减少信息推荐频次；所述减少信息推荐频次包括调整未知者接收信息的概率λ(t)=λ0+Δλ·(t‑t0)，其中λ0表示接收率初始值，Δλ表示接收率动态调整的效率，t0表示传播量大于监测阈值的首个时间戳，λ(t)≥0。

[0023] 进一步地，所述步骤3中降低其传播速率还包括：当传播量>监测阈值出现预警时，在不删除信息的情况下后置信息展示位置；所述后置信息展示位置包括降低新的接收者感染率（被点击阅读的概率）α(t)=α0+Δα·(t‑t0)，其中，α0表示感染率的初始值，Δα表示感染率动态调整的效率，α(t)≥0。

[0024] 进一步地，所述步骤3中阻断传播来源包括：对于内容高敏感度的信息，其传播有严重的社会负面影响，因此从源端用户进行处置，优先针对已出现规模化传播效应的内容进行删帖处理，将传播者以概率μ强行转化成免疫者。对高敏感信息进行删除下架处置，实现了信息的完全阻断，避免出现社会危害性事件。

[0025] 进一步地，所述步骤4包括：初始化所述信息传播模型参数，分别对单个社交网络平台和所述复杂社交网络环境进行信息监测、信息处置和传播数据统计，验证信息处置措施的实施效果。通过对比不同网络结构、不同处置方式下的信息传播情况，基于步骤1的复杂社交网络环境以及步骤2的网络信息传播模型，在采取步骤3的信息处置措施后，信息传播能够得到及时有效控制。

[0026] 有益效果：与现有技术相比，本发明具有以下优点。

[0027] 针对当前政府和社交网络平台对信息内容的处置要求，本申请提出了一种SIR‑D模型，并根据信息传递关系建立了用户状态变化迭代模型，该模型增加了一种新的用户状态“忽略者”，用以表示在当前社交平台信息量爆炸情况下，用户虽然收到各类推送消息，但是会因为推荐频次、推荐位置的不同而选择性的点击阅读，即存在信息被用户忽视的情况；

[0028] 依据社交网络信息的敏感度和传播量情况，本申请结合社交网络平台推荐系统的信息传播方式进行参数控制和阻断方案设计，有效评估信息传播的范围和影响，并量化信息处置结果。

[0029] 在传统单一复杂网络的基础上，本申请提出了耦合复杂网络场景的分析方案，可以模拟真实场景下多网络平台的信息传播情况，从而打破不同社交网络平台壁垒。

附图说明

[0030] 下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

[0031] 图1为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法的流程示意图。

[0032] 图2为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法的网络信息传播模型关系图。

[0033] 图3为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法的耦合复杂网络结构图。

[0034] 图4为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法中四种网络结构在未采取控制措施下的用户状态变化图。

[0035] 图5为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法中四种网络结构在采取降低推荐频次方式下的用户状态变化图。

[0036] 图6为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法中四种网络结构在采取降低推荐频次和后置信息展示位置两种方式下的用户状态变化图。

[0037] 图7为本申请实施例提供的一种基于SIR‑D模型的复杂社交网络信息处置方法中四种网络结构在采取降低推荐频次、后置信息展示位置和阻断传播来源三种方式下的用户状态变化图。实施方式

[0038] 下面将结合附图，对本发明的实施例进行描述。

[0039] 本申请提供的一种基于SIR‑D模型的复杂社交网络信息处置方法可以应用于网络空间生态治理场景，尤其是社交网络平台中敏感、负面信息的传播监测与处置，通过设计SIR‑D模型和耦合复杂网络，并根据信息传递情况划分用户状态，可以有效评估信息传播的范围和影响，并量化应急人员处置后的结果情况。

[0040] 本申请实施例提供了一种基于SIR‑D模型的复杂社交网络信息处置方法，构建SIR‑D模型和耦合复杂网络，模拟多平台场景下的信息传播情况，并通过调控推荐系统参数，实现对敏感信息的处置工作，如图1所示，包括以下步骤：

[0041] 步骤1，对两种以上的社交网络平台进行耦合，构建复杂社交网络环境，包括：用户在每一个社交网络平台上都有独立的虚拟身份，当用户在其中一个社交网络平台上收到目标推荐信息时，用户状态发生变化，同时会影响到该用户在其他社交网络平台的虚拟身份状态，即将同一用户在不同社交网络平台中的虚拟身份节点一一对应，如图3所示，当其中一个社交网络平台的用户状态调整时，其他社交网络平台的状态同时发生变化。

[0042] 步骤2，设计网络信息传播模型，确定所述信息传播模型下用户状态变化情况；

[0043] 设计网络信息传播模型包括：基于网络信息的传播现状提出了一种SIR‑D模型，将政府和社交网络平台的网络信息治理措施纳入模型考虑范围，满足以下约束条件：

[0044] S(t)+K(t)=N

[0045] D(t)+A(t)=K(t)

[0046] R(t)+I(t)=A(t)

[0047] 式中，N为社交网络平台上用户群体总数量，所述用户包括未知者和接收者，所述接收者包括忽略者和感染者，所述感染者包括传播者和免疫者，S(t)是t时刻尚未收到消息的未知者数量，K(t)是t时刻收到消息的接收者数量，D(t)是t时刻未点击阅读关注的忽略者数量，A(t)是t时刻仔细阅读的感染者数量，I(t)是t时刻二次传播信息的传播者数量，R(t)是t时刻不会采取点赞和转发措施的免疫者数量，t≥0。

[0048] 确定所述信息传播模型下用户状态变化情况包括：随着时间的变化，用户的状态会随着信息接收的情况而发生变化：（1）未知者有概率λ收到传播者发布的信息，并转化为下一轮的接收者：（2）新的接收者中有占比α为感染者，其他为忽略者；（3）忽略者有概率γ转变感染者；（4）新的感染者中有占比β为传播者，其他为免疫者；（5）传播者在经过阻断措施后有概率μ被强行转换成免疫者。信息传播模型关系图如图2所示。信息传播导致的用户状态变化关系满足以下条件：

[0049]

[0050] 式中，S(t+1)、K(t+1)、A(t+1)、D(t+1)、I(t+1)、R(t+1)分别表示t+1时刻的不同状态下的用户数量。

[0051] 本实施例中，所述步骤1中当其中一个社交网络平台的用户状态调整时，其他社交网络平台中该用户的状态同时发生变化，整个网络中用户状态变化的优先级为传播者>免疫者>忽略者>未知者。

[0052] 步骤3，对所述复杂社交网络环境进行信息监测，根据当前信息所处状态确定是否需要进行信息处置，包括分级分类监测：分别根据关键词的敏感程度和信息的传播规模进行分类分级，确定当前信息所处状态和所需要采取的措施：当信息内容命中高敏感关键词时，在第一时间阻断传播来源；当信息内容界定模糊，但传播量超过监测阈值时，优先降低其传播速率，之后可以结合人工研判确定是否要采取进一步措施。本实施例中，监测阈值E1=100。

[0053] 降低其传播速率包括：社交网络平台会采用推荐算法将信息推荐给目标用户群体，所述推荐算法为现有技术，本实施例不做具体限定，当t时刻传播量Q1(t)>监测阈值E1出现预警时，可在不删除信息的情况下：（1）减少信息推荐频次，调整未知者接收信息的概率λ(t)=λ0+Δλ·(t‑t0)，λ0表示接收率初始值，Δλ表示接收率动态调整的效率，t0表示传播量大于监测阈值的首个时间戳，λ(t)≥0。本实施例中，λ0=0.5，Δλ=‑0.05，λ(t)≥0.1；（2）后置信息展示位置，降低新的接收者感染率（被点击阅读的概率）α(t)=α0+Δα·(t‑t0)，其中，α0表示感染率的初始值，Δα表示感染率动态调整的效率，α(t)≥0。本实施例中，α0=0.5，Δα=‑0.05，α(t)≥0.25。

[0054] 阻断传播来源包括：对于内容高敏感度的信息，其传播有较为严重的社会负面影响，因此需要从源端用户进行处置，优先针对已出现规模化传播效应的内容进行删帖处理，将传播者以概率μ强行转化成免疫者。本实施例中，μ=0.2。

[0055] 步骤4，针对进行处置的信息，根据所述信息传播模型，验证信息处置效果，包括：初始化所述信息传播模型参数S(t)=9999、K(t)=1、A(t)=1、D(t)=0、I(t)=1、R(t)=0、λ=0.5、α=0.5、β=0.5、γ=0、μ=0。

[0056] 为了模拟当前社交网络平台信息传播情况，构建单个社交网络模型：WS小世界网络G1的用户群体总数量为N=10000，临近用户数量为L=10，重连概率为P1=0.4；ER随机网络G2的用户群体总数量为N=10000，用户之间连接概率为P2=0.001；BA无标度网络G3的用户群体总数量为N=10000，每次有K=6对用户建立连接。为方便模拟耦合网络的信息传播情况，构建由1个G1社交网络平台、1个G2社交网络平台和1个G3社交网络平台耦合而成的复杂社交网络环境。分别对单个社交网络平台和所述复杂社交网络环境进行信息监测、信息处置和传播数据统计，验证信息处置措施的实施效果。所述信息监测包括社交网络平台利用关键词匹配技术，对各类信息的传播情况进行实时统计，包括信息传播量Q1(t)、未知者数量S(t)、忽略者数量D(t)、免疫者数量R(t)、传播者数量I(t)等数据，同时根据历史经验获取λ、α、β、γ、μ等参数的值。

[0057] 图4为未采取控制措施时，小世界网络G1、随机网络G2、无标度网络G3以及三者耦合而成的复杂社交网络四种网络场景下的用户状态变化情况，即未知者、传播者、免疫者和忽略者数量的变化情况；图5是降低传播速率时，四种网络场景下的用户状态变化情况；图6是降低推荐频次和后置信息展示位置时，四种网络场景下的用户状态变化情况；图7是降低传播速率和阻断传播来源共同作用时，四种网络场景下的用户状态变化情况。仿真模拟结果表明，（1）耦合网络下的信息传播速度明显高于单类网络，传播范围也大于单类网络；（2）采取信息控制手段能有效降低信息的传播速度、缩小信息传播范围，起到处置效果。

[0058] 具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于SIR‑D模型的复杂社交网络信息处置方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（read‑only memory，ROM）或随机存储记忆体（random access memory，RAM）等。

[0059] 本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备（可以是个人计算机，服务器，单片机，MUU或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。

[0060] 本发明提供了一种基于SIR‑D模型的复杂社交网络信息处置方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。